梅花14的博客

Normalization(归一化)       1.把数据变为（0，1）之间的小数。主要是为了方便数据处理，因为将数据映射到0～1范围之内，可以使处理过程更加便捷、快速。        2.把有量纲表达式变换为无量纲表达式，成为纯量。经过归一化处理的数据，处于同一数量级，可以消除指标之间的量纲和量纲单位的影响，提高不同数据指标之间的可比性。        主要算法：       ...

疑惑点我们其实主要搞不清验证集和测试集的关系和区别，训练集大家都很清楚是干什么的。网上说了一大堆我也是没看懂，今天突然又看到这个东西，终于在stack overflow看到了一个很容易理解的解答，下面给大家分享一下。训练集和验证集都是在训练阶段使用的！！！相信你看了下面这段立马就明白了----------------------------for each epoch for e...

今天看到了一张图，挺有意思的，给大家分享一下。下面直接上图：这张图展示了，从出生到14岁的这段人生历程中，我们的神经系统的发展过程。从神经元的毫无链接到杂乱无章，最后井然有序的过程。如果把这张图应用到我们的神经网络的学习过程中，可以映射成：随机初始化参数—>训练过程中的参数—>完成训练的参数看了这张图，让我对神经网络的学习又有了一个不一样的认知，学习真的是一个...

在做《21个项目玩转深度学习》第五章的练习时，书上有一行代码是这样婶的：export PYTHONPATH=$PYTHONPATH:'pwd':'pwd'/slim然后我就傻乎乎的原句照抄了，结果就出现了上面说的问题，其实这里的pwd我们当前的工作路径啊，我了个晕。解决办法：pwd #查看当前路径，用这个路径来代替pwd，注意单引号是要保存的...

端到端是相较于非端到端而言的，那么什么是非端到端呢，简单来说，就是我们的输入数据首先经过人工处理，在喂给模型去训练。那么在这个过程中很有可能会出现人工提取的特征不准确或者偏差很大，导致再好的算法也无法得到满意的结果。举个栗子对一系列人的数据分类，分类结果是性别，如果你提取的特征是头发的颜色，无论分类算法如何，分类效果都不会好，如果你提取的特征是头发的长短，这个特征就会好很多，但是还是会有错误，...

之前一直不明白1x1卷积核的作用，今天突然明白了，看到一篇博文写的（链接），真的非常的好。不明白1x1的最直接原因是因为不明白原来特征图之间是可以通讯的，因为下一层的特征图并不是上一层一个特征图生成的，而是由n（n的取值范围为1-上层通道数，通道数就是上层的特征图个数）个组合而成的，那么再来理解1x1的卷积核的作用的话就很容易理解了，对于m x m大小的卷积核类比。...

原因有4个1. 训练集的数量级和模型的复杂度不匹配。训练集的数量级要小于模型的复杂度；2. 训练集和测试集特征分布不一致；3. 样本里的噪音数据干扰过大，大到模型过分记住了噪音特征，反而忽略了真实的输入输出间的关系；4. 权值学习迭代次数足够多(Overtraining)，拟合了训练数据中的噪声和训练样例中没有代表性的特征。解决方案1.simpler model stru...

听说添加目录的文章会被推荐到首页，是真的吗1、前言2、图片的下载与数据集的制作3、确定网络模型4、设置超参数5、开始训练6、加载自己训练出来的模型，预测图片分类1、前言前段时间一直在研究Tensorflow，但是一直都没有出成果，学了大概两个多月，还是用不起来，真不知道是它太难了，还是自己太渣了，不过我感觉后者的可能性比较大。后来发现了Keras框架，正好他就是基于Tensorflow的后端...